Scientific journal
Scientific Review. Biological science
ISSN 2500-3399
ПИ №ФС77-57454

PREVENTIVE DIAGNOSIS OF ONCOLOGICAL DISEASES OF A STOMACH WHEN SCREENING BY MEANS OF SYSTEM OF SUPPORT OF ADOPTION OF CLASSIFICATION DECISIONS

Babkov A. S. 1 Artemenko M. V. 1 Kiryutkin M. V. 1
1 Southwest state university
In article questions of formation of the knowledge base of system of support of adoption of diagnostic decisions on early diagnosis of cancer of stomach on the basis of the models reflecting communications between indicators of blood, registered when screening are considered. Are offered: information and analytical model diagnostics screening, identified in mathematical models, results of approbation on clinical material, the scheme of use of the diagnostic module in educational process of professional development. As an integrated informative diagnostic indicator ErGemo calculated on concentration of monocytes and value color indicators in blood is formed. It is shown that: the nature of linear communications in development of a disease classes practically does not change; at sick people - concentration of erythrocytes and level of hemoglobin in blood decreases on average by 16%, approximately for 20% extent of influence of concentration of erythrocytes on it increases; at synthesis of mathematical models it is recommended to use trust measures to the used indicators and diagnostic procedures, the used clinical material. It is proved that: when developing cancer of stomach diagnostic opportunities of «BSR» (blood sedimentation rate) in the conditions of change of communication with ErGemo with negatively sedate on positive decrease; in functional dependences of ErGemo inverse relation from a color indicator is shown; at a disease of cancer of a stomach the saturation role blood oxygen in blood formation process regulation decreases.
oncological diseases of a stomach
preventive screening diagnostics
modeling
the automated systems of support of decision-making

Профилактика, превентивная диагностика и лечение онкологических заболеваний желудка представляют актуальную проблему во всем мире. По сводным эпидемиологическим данным, это заболевание в мире является четвертым наиболее частым после рака легкого, молочной железы, толстой кишки. Ежегодно диагностируется более 930 тысяч новых случаев выявления заболевания, одногодичная летальность составляет более 700 тыс. (более 75%) [27]. В Российской федерации ежегодно онкология желудка фиксируется у 46 тысяч человек, а одногодичная летальность составляет 56% [28]. Среднее время от появления специфических симптомов до постановки диагноза «рак желудка» (РЖ) составляет 3 месяца, что свидетельствует как о поздней обращаемости пациентов к врачу, и об объективных сложностях диагностики и о необходимости оптимизации тактики обследования на превентивном или поликлиническом уровнях.

В настоящее время мероприятия в области превентивной медицины [26] и профилактика рака желудка [28] сводится к опросу потенциальных больных, принадлежащих к группе риска во время плановой диспансеризации, скрининга с использованием и без средств телемедицины [13] путем сбора жалоб на существующее состояние, анкетирования и проведения простейших анализов и проб. Симптоматика онкологических заболеваний желудка на ранней стадии развития заболеваний проявляется слабо и, следовательно, пациент своевременно не обращается за медицинской помощью. Регистрация и анализ онкомаркеров крови в условиях массового скрининга не всегда возможно (особенно в сельской местности).

Между тем, применение существующих для решения диагностических задач в технических и биотехнических системах, теоретические исследования и практика в области систем поддержки принятия решений (СППР) и различных способов прогнозирования поведения систем [4, 14] позволяет существенным образом снизить летальность и инвалидность, уменьшить экономические затраты на лечение и последующую реабилитацию больных.

Тем самым, актуальность научных и практических изыскания в рассматриваемой предметной области биологических наук обусловливается необходимостью разработки и применения автоматизированных систем поддержки принятия решений диагностики рака желудка при скрининге и-или профилактических осмотрах на основе достижений искусственного интеллекта и информационно-компьютерных технологий.

В настоящее время, превентивная диагностика онкологических заболеваний на ранней стадии базируется в основном на применении определенных онкомаркеров (обладающих диагностической чувствительностью не более 0,7) и узкоспециализированного осмотра с учетом анализа косвенных признаков, выявленных в процессе беседы с обследуемым.

Учитывая достижения в представлении организма как целостной интегральной системы [29, 32], превентивной медицины и медицинских информационных технологий [16, 18, 23], предлагается использовать в ходе массового профилактического медицинского осмотра населения общие показатели крови. Рассматриваемый подход основывается на гипотезе об информативности крови как соединительной ткани, выполняющей транспортные функции, о функционировании различных функциональных и физиологических систем и организма в целом (особенно в случае системных нарушений, которые, безусловно, обусловливают онкологические заболевания) [20]. Применение подобных систем позволит существенным образом повысить эффективность массовых медицинских осмотров населения для выявления тяжелых заболеваний на ранней стадии и своевременно принимать решение о необходимости госпитализации или клинического обследования.

Материалы и методы

В процессе скрининг диагностики и в ходе массовой профилактической диспансеризации населения в обязательном порядке осуществляется общий анализ крови – регистрируются такие показатели как: концентрации эритроцитов, лейкоцитов, лимфоцитов, гемоглобина, цветовой показатель, СОЭ, содержание глюкозы, натрия, калия, билирубин и т.д. Эти показатели определим как частные (непосредственно регистрируемые) - множество {Х}.

Кроме того, значения показателей крови на ранних этапах развития злокачественных заболеваний организма в целом (желудка, в частности) отличаются от значений на этапах выявленного заболевания при обращении больного в клинику [27,28,21].

На основе изученного материала предлагается информационно-аналитическая модель поддержки принятия решений на этапе скрининг диагностики рака желудка, представленная на рисунке 1 [10] (аналогичный подход использовался при обработке результатов скрининг – диагностики в гастроэнтерологии [33]).

babkov_r1.eps

Рис. 1. Информационно-аналитическая модель скрининг диагностики рака желудка

На принятие управленческого решения о необходимости проведения клинического обследования пациента на предмет выявления рака желудка оказывают влияние различные факторы, выявленные в ходе беседы (анкетирования) с обследуемым. В «Блоке определения риска заболевания по опросу» реализуется методика вычисления значения риска соотнесения обследуемого к группе с возможным присутствием заболевания изложенная авторами в работах [1, 2].

Основной группой анализируемых показателей превентивной скрининг диагностики возможности наличия онкологических заболеваний желудка являются, согласно принятой гипотезы, значения показателей, полученных в процессе лабораторного анализа крови и онкомаркеров (РЭА, СА242, СА72.4, СА19.9). Необходимый информационный архив (клинически подтвержденный) формируется в «Базе показателей крови».

Для синтеза диагностических решающих классов формируются обучающие выборки. Процедура обучения (формирование базы знаний) реализуется в «Блоке синтеза моделей взаимосвязей между показателями крови» предлагаемой информационно-аналитической модели. В качестве исходных данных используются: множество векторов X=x1,...,xn1) и множество интегральных (латентных) показателей (вектор Y=y1,...,yn2)). Значения интегральных показателей определяется по формуле (1):

babkov_f1.eps, (1)

где: Yk,j - j-ое – значение k-го интегрального показателя, xi,j - j-ое значение i-го частного показателя крови у пациента, Xω0i - среднее значение i-го частного показателя в классе ω0, Dω0i - дисперсия i-го частного показателя крови, αi,k?[0,1] - весовые коэффициенты, определяющие информационный вклад показателя xi в формирование интегрального показателя Yk. Диагностические возможности показателей, рассчитанных по формуле (1), исследовались в работах [5, 6, 11, 34].

В предлагаемой системе предусмотрено несколько вариантов определения указанных коэффициентов: экспертное заключение, на основе дисперсионного анализа, использование информационного критерия Кульбака или критерия Стьюдента.

По сути, значения интегральных показателей характеризирует нормированное по дисперсии взвешенное расстояние «образа обследуемого» в гиперпространстве от центра альтернативного класса. Под альтернативным классом понимается класс не больных онкологическими заболеваниями людей (в дальнейшем именуемый как «здоровые») - класс ω0. Значения интегральных показателей вычисляются в «Блоке расчета интегральных показателей 1» при формировании обучающих выборок и в «Блоке расчета интегральных показателей 2» при решении диагностической задачи.

Результатом работы «Блока синтеза моделей взаимосвязей между показателями крови» является набор моделей, характеризующих множественные связи между векторами признаков X и интегральных показателей Y для основного (ω0) и альтернативного (ω1) классов. Работа «Блока синтеза моделей взаимосвязей между показателями крови» основана на использовании самоорганизационных алгоритмов структурно-параметрической идентификации метода группового учета аргументов (МГУА) [19, 24, 25,37]. Применяется ортогональный многорядный алгоритм [30], позволяющий синтезировать математические модели вида (2):

babkov_f2.eps, (2)

где: zi1 -переменная (из множеств {Х}, {Y}); Ai1,i - весовой коэффициент терма i для модели отклика функции zi1, babkov_f3.eps – свободный член для модели отклика zi1 в классе wl,(l=0,1) на множествах {Х} или {Y}, babkov_f4.eps - весовой коэффициент терма i для отклика функции zi1 в классе wl,(l=0,1) на множестве {Х} или {Y}, babkov_f5.eps - степень аргумента j в терме i для модели отклика функции отклика zi1 в классе wl,(l=0,1) на множестве {Х} или {Y},; nr – количество рядов селекции (термов полинома); mr – количество переменных z.

Для оптимизации вычислительных процедур формируется «База моделей системных взаимосвязей», в которой множество идентифицированных моделей располагается по критерию информативности.

В «Блоке расчета риска заболевания по самоорганизационным моделям» основного класса заболеваний ω1, используя вектора X и Y, по математическим моделям вида (2) вычисляются значения модифицированных векторов класса ω1 вида:

babkov_f6.eps,

babkov_f7.eps,

babkov_f8.eps, (3)

где А1, В1 и С1 вектора настраиваемых параметров, FX1, FY1 и FY1<{X1,Y1} - функционалы, соответствующие структурам моделей взаимосвязей исследуемых показателей (модели 2), идентифицированные соответственно на множествах {X}, {Y} класса w1.

Аналогично определяются модифицированные вектора для класса ω0:

babkov_f9.eps,

babkov_f10.eps,

babkov_f11.eps. (4)

По полученным векторам определяются пары мер близостей D1 и D0 между векторами {X, Y}, {X1*, Y1*} и {X, Y}, {X0*, Y0*}.

Полученные значения мер близости являются аргументами для расчета риска появления исследуемого заболевания соответствующим «Блоком расчета риска заболевания по самоорганизационным моделям».

Окончательное решение о проведении клинического обследования осуществляется путем агрегации указанных показателей риска в «Блоке принятия решения о клиническом обследовании».

Выбранный математический аппарат исследования относится к классу систем распознавания образов с учителем, предполагающий использование на этапе обучения репрезентативные выборки (обучающая – для идентификации моделей и экзаменационная – для отбора наилучших моделей, наиболее удовлетворяющих субъектов диагностического процесса [12] и расчета критериев качества работы СППР).

При формировании выборок рекомендуется придерживаться соотношения «золотого сечения»: N2/N1=N1/(N1+N2), где N1 – объем обучающей выборки, N2 – объем контрольной выборки (N1≈0.62(N1+N2), N2≈0.38(N1+N2)).

Для формирования статистически репрезентативных выборок применяется следующий подход. Значения всех используемых показателей нормируются в интервал [0+е,1-е] (е=1/(N1+N2) путем линейного преобразования. Затем вычисляется для каждого вектора значений различных показателей средняя величина значений показателей. По полученным значениям осуществляется упорядочивание элементов исходного множества по возрастанию. В соответствии с выбранным соотношением N1/N2 формируются обучающие и экзаменационные выборки по следующей технологии. Все «четные» элементы входят в обучающую выборку, «нечетные» - в экзаменационную. Из полученной экзаменационной выборки в обучающую выборку переводится каждый пятый элемент.

С учетом идеологии GMDH общий процесс синтеза правил принятия решений осуществляется в соответствии со следующим методом:

1. Формируется пространство информативных признаков: X=x1,x2...,xn1 - частные показатели общего анализа крови; Y=y1,y2...,yn2 - интегральные показатели; Q=q1,q2...,qn3 характеристики образа жизни, предыдущих и существующих заболеваний, жалоб больного, наследственность и т.п.;

2. Формируются обучающая и контрольная выборки, осуществляется расчет меры доверия к исходным данным (МДД).

3. Для классов ω0 и ω1 путем применения специализированного программного обеспечения [12] формируется пакет математических моделей типа (3),(4), по которым рассчитываются коэффициенты детерминации моделей аппроксимантов Rt2 и RS2 (где t=1,...,T номер моделей (3) в общем их списке (класс ω1), s=1,...,S - номер моделей (4)) в общем их списке моделей класса ω0). Коэффициенты детерминации выступают в качестве мер доверия к адекватности математических моделей МДМ0 и МДМ1 соответствующих альтернативных классов. В пакеты моделей базы знаний СППР включаются только те, у которых значения коэффициентов детерминации превышают определенные пороговые уровни RtП и RSП.

4. Определяется общая мера доверия к адекватности по отношению к возможностям моделей описывать структуры связей между используемыми признаками для каждого по выражениям (5):

babkov_f12.eps,

babkov_f13.eps. (5)

5. Определяется мера доверия к адекватности моделей взаимосвязи МДМ для двух альтернативных классов по формуле (6): babkov_f14.eps. (6)

где: ω0, ω1 - весовые коэффициенты, определяющие предпочтение риска соотнесения пациента к классу здоровых или возможно болеющих людей.

6. Синтезируются формулы определения мер соответствия результатов текущих измерений xi и значений интегральных показателей yk с результатом расчетов по математическим моделям (3)-(4). Для расчета мер соответствия по аналогии с классическим понятием функций принадлежности введем функцию соответствия результатов модельных вычислений и измерений: fw1(di,l), fw1(dk,l). В качестве базовой переменной выступают меры близости di,l и dk,l между измеренными xi и yk и вычисленными по формулам (3) - (4) xi* и yk* значениями признаков и интегральных показателей – определяются по формулам (7):

babkov_f15.eps, babkov_f16.eps (7),

где ? - номер исследуемых классов (?=0,1).

Функции соответствия с базовыми переменными di,l и dk,l определяются в виде кусочно-линейной зависимости (8):

babkov_f17.eps, (8)

где dl - базовая переменная, определяемая по формулам (7).

7. Определяются уверенности UMω? в отнесении неизвестного объекта, описываемого наборами xi и показаний yk к исследуемыми классам состояний ω0 и ω1 (ω?), по моделям МГУА согласно формулы (9):

babkov_f18.eps, (9)

где ?=0,1, m1 - количество моделей, построенных по множеству Х; m2 - количество моделей, построенных по множеству Y.

С целью учета «желаемых» взаимоотношений между значениями ошибок первого и второго рода принятие классификационных решений рекомендуется осуществлять с использованием порогов Pω0 и Pω1, относительно которых строится таблица 1 принятия решений. Если значение UMω? не превышает значения порога Pω?, то элемент таблицы равен нулю. В противном случае - единице. Величины порогов Pω? определяются экспертами на этапе обучения.

Таблица 1

Диагностические заключения относительно порогов Pω? /l=0.1

babkov_f19.eps

babkov_f20.eps

babkov_f21.eps

babkov_f22.eps

№ ситуации

Описание ситуации

0

0

0

0

1

Дополнительное обследование

0

0

0

1

2

Здоров – класс ω0

0

0

1

0

1

Дополнительное обследование

0

1

0

0

3

Болен – класс ω1

1

0

0

0

1

Дополнительное обследование

В качестве решения предлагается использовать заключения: 1 – пациент нуждается в дополнительном обследовании; 2 – вероятность присутствия рака желудка низка (пациент практически здоров); 3 – высока вероятность присутствия заболевания рака желудка.

8. Для признаков, сформированных по анализу обследуемого Q, на основании данных специальной литературы и опыта экспертов согласно рекомендациям [26, 28] определяются соответствующие риски по отношению к заболеванию раком желудка Rtω1 на основании которых формируются частные уверенности UQ в классе ω1:

UQ=FQ(Q,Rtω1) (10).

9. На экзаменационной выборке с известным, клинически подтвержденным диагнозом, проверяется качество срабатывания полученных решающих правил и, если оно удовлетворительно, то процесс обучения заканчивается. В противном случае, осуществляется корректировка параметров решающих правил в сторону минимизации ошибок классификации.

Результаты исследований

Исходное множество показателей общего анализа крови определялось экспертами – медиками в соответствии с рекомендациями [11, 25]. Была сформирована группа из 9 высококвалифицированных экспертов (четыре доктора наук, два кандидата наук и три врача высшей квалификации). Коэффициент конкардации экспертов выбранной группы составил 0,86. В результате в исходное множество анализируемых показателей были включены: Х1 – «эритроциты», Х2- «гемоглобин», Х3 – «цветовой показатель», Х4 – «лейкоциты», Х5 – «эозинофилы», Х6 –«палочкоядерные», Х7 – «сегментоядерные», Х8 – «лимфоциты», Х9 – «моноциты», Х10 – «СОЭ». На уровне значимости ошибки первого рода p<0.01 выделяем показатели Х3 (цветовой показатель) и Х9 (моноциты), которые формируют множества информативных показателей {X}. Затем, согласно рекомендациям [8,17, 31,36 ] было сформировано множество информативных показателей.

Поскольку у двух оставшихся показателей значения коэффициента Стьюдента близки, то принимается решение об объединении их в единый кластер для формирования интегрального показателя Y по формуле (1) с весовыми коэффициентами: αx3=0,44, αx9=0,56. В этом случае, согласно (1) получаем следующую формулу для вычисления интегрального показателя:

babkov_f23.eps (11),

где x3, х9 – значения показателей Х3 и Х9.

Назовем этот показатель Y - «ЭрГеМо» - поскольку его аргументами являются «Цветовой показатель» и «Моноциты». Первый, в свою очередь рассчитывается, исходя из значений показателей: «Эритроциты» и «Гемоглобин».

Для его включения в множество показателей, предположительно обладающими диагностическими возможностями, убеждаемся, что ошибка первого рода различий между альтернативными классами менее 0,01.

Таким образом, множество информативных показателей включает следующие показатели крови - «Эритроциты», «Гемоглобин», «Цветовой показатель», «Моноциты», «СОЭ» и интегральный показатель «ЭрГеМо».

На основании анализа историй болезни и «добровольцев» (группа не больных раком желудка) были сформированы две выборки для каждого из альтернативных классов w0 и w1 объемами по 115 обследуемых.

Половозрастное распределение «больных раком желудка» и «не больных раком желудка» подчинялось равномерному закону распределения. Объем выборок определялся исходя из рекомендаций [15] для обеспечения чувствительности статистических критериев различий между классами на контрольных выборках на уровне 0,95. Соответственно, мера доверия к выборке МДО =0,95.

Согласно принципу «золотого сечения» обучающие выборки включали 78 объектов в каждом из классов. В таблице 2 приведены основные статистические характеристики показателей обучающих выборок в классах.

Наилучшие статистические отличия между собой показывают показатели согласно критерию Стьюдента (на уровне p<0.01): «Эритроциты», «Моноциты», «СОЭ», «ЭрГеМо». Это означает, что значения МДП ≈0,67. Поскольку, согласно таблицы 3, наблюдается пересечение классов доверительных интервалов по указанным в ней показателям, то значение меры доверия к выборкам МДВ≈0,83.

Поскольку обучающая и контрольная выборки формировались по предложенной выше методике, то мера доверия к репрезентативности МДР=1. Набор показателей определялся одновременно с анализом литературных источников справочного характера (которые можно воспринимать как экспертов) и по критерию Стьюдента - следовательно, меры доверия экспертов к выборке и к составу признаков (МДЭВ и МДЭП) принимаются за 1. В результате - мера доверия к данным МДД=0,94. Так как, контрольная и обучающая выборки взаимно репрезентативны, то МДДо=МДДк=МДД=0,94.

Значимые парные корреляционные связи в альтернативных классах показаны на рисунках 1 и 2.

babkov_r2.eps

Рис. 1. Корреляционные связи в классе w0 (сплошные линии – положительная корреляция, пунктирные – отрицательная)

babkov_r3.eps

Рис. 2. Корреляционные связи в классе w1

Таблица 3

Статистические характеристики показателей для классов w0 и w1

Классы

Класс w0

Класс w1

Показатели

Статистические характеристики

М

D

As

Ex

M

D

As

Ex

Эритроциты

4,24

0,09

0,47

0,29

4,1

0,66

-0,09

-0,176

Гемоглобин

106,8

693

-0,55

-0,009

109

833

-0,02

-0,68

Цветовой показатель

1,17

0,46

1,06

1,14

1,06

0,21

0,42

0,566

Моноциты

6,39

10,3

0,77

0,62

4,1

4,8

2,08

9,24

СОЭ

5,43

5,66

0,96

0,57

10,8

33,3

0,93

0,63

ЭрГеМо

4,09

3,36

0,72

0,45

2,7

1,63

1,82

7,34

В таблице: M, D, As, Ex – соответственно: математическое ожидание, дисперсия, асимметрия и эксцесс соответствующих показателей.

Таблица 3

Таблица распределения результатов диагностики для класса w1

Обследуемые

Результаты срабатывания правил

Всего

положительные

Отрицательные

ηω1=100·78

51

27

78

ηω0=100·78

17

61

78

Всего

68

88

156

ДЧ=0,75; ДС=0,69; ДЭ=0,72.

В качестве показателей качества характеризующих статистическую достоверность диагностических правил выбраны: диагностическая чувствительность (ДЧ), диагностическая специфичность (ДС), диагностическая эффективность (ДЭ) [21, 23]. Необходимые для расчета результаты исследования, полученные на репрезентативной экзаменационной выборке обследуемых, приведены в таблице 3.

Обсуждение и заключение

Анализ корреляционных связей (рисунки 1 и 2) подтверждает структурные изменения в крови при заболевании раком желудка: исчезает корреляция между такими показателями как «СОЭ»- «Эритроциты» и «СОЭ»-«ЭрГеМо». Уменьшение количества значимых корреляционных связей позволяет предположить, что анализируемое заболевание приводит к деструктуризации процессов управления соотношений концентраций (количеств) определенных элементов в крови. Уравнения парной регрессии между этими показателями включаются в базу знаний СППР решения диагностических задач. Модели представляются следующими формулами:

babkov_f24.eps;

babkov_f25.eps (12)

Заметим, что слабая корреляционная связь или ее отсутствие между показателями сформированного множеств {X} {Y} гиперпространства, подчеркивает их ортогональность, подтверждая полученные высокие меры доверия.

Анализ полученных моделей (приведены в [3]) , позволяет сделать следующие заключения:

  1. Характер линейных связей в альтернативных классах не меняется;
  2. У больных раком желудка людей уменьшается в среднем на 16% концентрация эритроцитов, что приводит к соответствующему изменению значения цветового показателя.
  3. У больных – уровень гемоглобина в крови снижается приблизительно на 16% , примерно на 20% возрастает степень влияния на него концентрации эритроцитов.
  4. В анализируемых альтернативных классах в моделях присутствуют как общие для них аргументы, так и оригинальные – это говорит о том, что состав крови определяется как общими для всего организма «правилами», так и специфическими для определенной системной патологии, к которой относится рак желудка;
  5. Количество эритроцитов в крови у не болеющих раком желудка людей характеризуется дополнительным влиянием отношением значений показателей ЭрГеМо и СОЭ, что подчеркивает возможность учета данного показателя крови для превентивной скрининг-диагностики рака желудка;
  6. При возникновении рака желудка снижаются диагностические возможности показателя «СОЭ» в условиях изменения связи с ЭрГеМо с отрицательно степенной на положительно степенную, что позволяет использовать этот факт в качестве диагностической характеристики;
  7. Количество моноцитов в крови при заболевании изменяет свою «связь» с цветовым показателем с прямой на обратную, что подчеркивает происходящие в этом случае изменения содержания «гемоглобина в эритроцитах»;
  8. Показатель «СОЭ» при заболевании не имеет выраженной функциональной зависимости с остальными анализируемыми показателями, что подчеркивает дестабилизации системы кроветворения;
  9. В функциональных зависимостях интегрального показателя ЭрГеМо на высоком уровне корреляции появляется обратная зависимость от показателя «цветовой показатель», что подчеркивает необходимость учета показателей «Эритроциты» и «Гемоглобин» при скрининг диагностики заболевания;
  10. В классе w1 минимизируется связь показателя ЭрГеМо с «Цветным показателем», что говорит об уменьшении роли насыщенности эритроцитов кислорода регуляции функций кроветворения при заболевании раком желудка.

Полученные компоненты базы знаний могут быть использованы как в скрининг диагностики рака желудка, так и в обучающем процессе повышения квалификационного уровня медицинских работников, например, по схеме, аналогично рассмотренной в [35] – сравниваются результаты работы диагностического модуля автоматизированной СППР (AMESDD -autonomous module expert support diagnostic decisions) и обучаемого медработника Схема учебного тестирования приведена на рисунке 3.

УЧИТЕЛЬ на основании информации о рассогласовании действий субъекта обучения с правильной оценкой ситуации (δS и δX) с помощью воздействует на субъект обучения через модуль коррекции приобретаемых знаний и навыков, оценивает уровень профессионализма, формирует статистическую отчетность. В процессе обучения осуществляется активное тестирование субъекта обучения путем генерации тестов, включающих себя: либо значения характеристик состояния виртуального пациента Х, либо его гипотетическое состояние Sit.

babkov_r4.eps

Рис. 3. Схема применения AMESDD в интерактивном тестировании профессиональных знаний и навыков, где: X – множество информативных показателей, S(X) – состояние обследуемого, соотнесенное к определенному классу и полученное по диагностическим правилам импликации X?S(X); X(S) – множество значений Х, необходимое для идентификации состояния S, согласно импликациям X?S(X); {X} – множество значений показателей Х виртуального обследуемого; Sit({X}) – состояние виртуального обследуемого согласно мнению субъекта обучения; Sit – «истинное» состояние виртуального обследуемого; δS - рассогласование между X(Sit) и X(S): δS - рассогласование между Sit({X}) и S(X); ? - блоки вычисления сигналов рассогласования

На основе полученной о состоянии виртуального обследуемого информации, собственных и приобретенных в процессе обучения знаний и опыта, субъект обучения формирует Sit({X}) или X(Sit), которые поступают на соответствующие входы AMESDD. AMESDD на основании прямых и обратных решающих правил [7] либо диагностируют состояние виртуального обследуемого (идентифицирует S(X)) либо определяет присутствие у него диагностические информативных признаков (X(S)). Блоки оценки рассогласования между правильными («эталонными») решениями (сформированными AMESDD) и предложенными обучаемыми формируют соответствующие значения сигналов рассогласования (δS и δX), по которым УЧИТЕЛЬ реализуют процедуры обучения, определенные целями программ повышения квалификации медработника.